C APITULO 4

Esperanza Matematica

Introduccion
La esperanza matematica surgio en en el ambiente de los juegos de azar y es el producto de la cantidad que un jugador puede ganar y la
probabilidad que ganara. Por ejmplo, si se rifan 5000 pesos para lo cual se emiten 100000 boletos, nuestra esperanza matematica sera
1
5000 = $ .05por boleto. Esto es lo mismo que decir que en conjunto los 100000 boletos pagará
n $5000, o e promedio
100 000
$5000 $9000
= $0 .05 por boleto. Si hubiese otro dos premios, uno por $3,000 y otro por $1,000, es decir $9,000 en total, o en promedio =$0.09.
100 000 100 000
Desde el punto de vist probabilistico, si esta rifa se hiciera un numero grande de veces, perderiamos 99.997 de las veces (es decir, con probabili-
dad .99997) y ganariamos cada uno de los premios .001 por ciento de las veces (es decir con probabilidad .00001). Asi, en promedio
ganariamos:
0 H.99997L + 5000 H.00001L + 3000 H.00001L + 1000 H.00001L = .05 + .03 + .01 = $0 .09
lo anterior es la suma de los productos al multiplicar el monto de cada premio por la probabilidad de sacarnolo.

El Valor Esperado de una Variable

D.1. Si X es una variable aleatoria discreta y f(x) es el valor de su distribución de probabilidad en x, el valos esperado de X es:
E ( X ) =ÚxÎX x. f HxL
en el caso continuo, el valor esperado de X será:
¥
EHXL = Ù-¥ x. f HxL â x

E.1. Hallar el valor esperado de la suma de dos dados al ser lanzados.

x P HX = xL
1
2
36
2
3
36
3
4
36
4
5
36
5
6
36
6
7
36
5
8
36
4
9
36
3
10
36
2
11
36
1
12
36
2 4_EsperanzaMatematica.nb

E.2. Hallar el valor esperado de la variable aleatoria continua cuya fdp esta dada por

3 ã-3 x para x > 0

f HxL =
0 de otra manera

T.1. Si X es una variable aleatoria discreta y f(x) es el valor de su distribucion de probabilidad en x, el valor esperado de g(X) esta
dado por:
E ( g ( X ) ) =ÚxÎX gHxL. f HxL
en el caso continuo, el valor esperado de X será:
¥
EHgHXLL = Ù-¥ gHxL. f HxL â x

E.3. Hallar el valor esperado funcion g HXL = X 2 + 2, donde X es la variable aleatoria discreta descrita en el ejempo 1.
3X
E.4. Hallar el valor esperado funcion gHXL = ã 4 , donde X es la variable aleatoria continua descrita en el ejempo 2.

T.2. Si a y b son constantes, entonces

E ( a X + b ) = a E ( X ) + b
C1. E(b)=b
C2. E(aX)=aE(X)

E.5. Rehaga el ejemplo 3 utilizando el teorema 2 si g(X)=X+2.

T.3. Si c1 , c2 , .. cn son constantes, entonces

E [Úni=1 ci gi HXL ] =Úni=1 ci E@gi HXLD D e m .
E[Úni=1 ci gi HXL]=ÚxÎX @Úni=1 ci gi HXLD. f HxL=ÚxÎX Úni=1 ci gi HXL. f HxL=Úni=1 ÚxÎX ci gi HXL. f HxL=Úni=1 ci ÚxÎX gi HXL. f HxL=Úni=1 ci E@gi HXLD ƒ

T.4. Si X y Y son variables aleatorias discretas y f(x,y) es el valor de su distribucion de probabilidad conjunta en (x, y), el valor
esperado de g(X, Y) es
E@gHX, YLD = ÚxÎX ÚyÎY gHx, yL. f Hx, yL
y para el caso continuo
¥ ¥
E@gHX, YLD = Ù-¥ Ù-¥ gHx, yL. f Hx, yL â x â y

E.7. Encuentre el valor esperado de la funcion g(X,Y)=X.Y de la siguiente funcion fdp del ejemplo 3.1

x y P HX = x, Y = yL
3 2 3
0 0 2 1´1´3 3
0 0 8
= =
28 28
2
3 2 3
0 1 1 1´2´3 6
0 1 8
= =
28 28
2
3 2 3
0 2 0 1´1´1 1
0 2 8
= =
28 28
2
3 2 3
1 0 1 3´1´3 9
1 0 8
= =
28 28
2
3 2 3
1 1 0 3´2´1 6
1 1 8
= =
28 28
2
3 2 3
2 0 0 3´1´1 3
2 0 8
= =
28 28
2

E.8. Hallar el valor esperado de la funcion gHX, YL = X.Y + 2, donde X y Y son variable aleatorias continuas cuya funcion de distribucion
conjunta esta descrita por
3
x Hy + xL para 0 < x < 1, 0 < y < 2
f Hx, yL = 5
0 de otra manera

T.5. Si c1 , c2 , .. cn son constantes, entonces

E[Úni=1 ci gi HX1 , X2 , . . , Xn L]=Úni=1 ci E@gi HX1 , X2 , . . , Xn LD
 4_EsperanzaMatematica.nb 3

T.5. Si c1 , c2 , .. cn son constantes, entonces

E[Úni=1 ci gi HX1 , X2 , . . , Xn L]=Úni=1 ci E@gi HX1 , X2 , . . , Xn LD

Momentos

D.2. El k-esimo momento de una variable aleatoria discreta X, denotado como Μ 'k , es el valor esperado de Xk ; esto es:
Μ 'k = EIXk M = ÚxÎX xk . f HxL, para k=0,1,2,...
en el caso continuo tenemos
¥
Μ 'k = EIXk M = Ù-¥ xk . f HxL â x

Ej. 9. Hallar Μ 'k , k=0, 1, 2 de la fdp descrita en el ejemplo 1.

Ej. 10. Hallar Μ 'k , k=0, 1, 2 de la fdp descrita en el ejemplo 2.

D.3. Al momento Μ '1 se llama la media de la distribucion de X, o simplemente la media de X, y se denota como Μ,

Ej. 11. Hallar Μ de la fdp descrita en el ejemplo 1.

Ej. 12. Hallar Μ de la fdp descrita en el ejemplo 2.

D.4. El k-esimo momento alrededor de la media de una variable aleatoria discreta X, denotado como Μk , es el valor esperado de
HX - ΜLk ; esto es:
Μk = EAHX - ΜLk E = ÚxÎX Hx - ΜLk . f HxL, para k=0,1,2,...
en el caso continuo tenemos
¥
Μk = EAHX - ΜLk E = Ù-¥ Hx - ΜLk . f HxL â x
C1. Μ0 =1
C2. Μ1 =0

Ej. 13. Hallar Μk , k=2 de la fdp descrita en el ejemplo 1.

Ej. 14. Hallar Μk , k=2 de la fdp descrita en el ejemplo 2.

D.5. Μ2 se llama varianza de la distribucion de X, o simplemente la varianza de X, y se denota por Σ 2 o var(X). Σ, la raiz cuadrada
de la varianza, se llama la desviacion estandar.
4 4_EsperanzaMatematica.nb

0.30

0.25

0.20

0.15

0.10

0.05

-4 -2 2 4

Variance@NormalDistribution@Μ, ΣDD

Σ2

T.6. Σ2 = Μ '2 - Μ2

Dem. Σ ^ 2 = E@HX - ΜL2 D = EHX 2 - 2 ΜX + Μ2 L = EHX 2 L - 2 ΜEHXL + EHΜ2 L = EHX 2 L - 2 Μ.Μ + Μ2 = Μ '2 - Μ2

Ej. 15. Hallar Σ de la fdp descrita en el ejemplo 1.

Ej. 16. Hallar Σ de la fdp descrita en el ejemplo 2.

La Regla Empirica
La regla empirica, con respecto a una distribución normal, nos dice que:
Ÿ aproximadamente el 69% de los datos se encuentra a una desviación estandard de la media,
Ÿ aproximadamente el 95% de los datos se encuentra a una desviación estandard de la media,
Ÿ aproximadamente el 97% de los datos se encuentra a una desviación estandard de la media,
 4_EsperanzaMatematica.nb 5

Recolectar los datos de la altura del grupo y deducir su media y desviación estandard, y comprobar los resultados con respecto a la regla
empirica.
Discuta la información del IQ proporcionada en la siguiente figura.

Teorema de Chebyshev
El teorema de Chebyshev, nombrado así en honor al matemá tico Pafnuty Chebyshev, es un resultado estadí stico, que aplica a cualquier
conjunto de datos, que define una cota inferior a la probabilidad de que el valor de una variable aleatoria con varianza finita esté a una cierta
distancia de su media. En otras palabras, el teorema define una cota superior a la probabilidad de que los valores caigan fuera de esa distancia
respecto de la media. Este teorema tambié n puede ser usado en distribuciones no normales. El teorema de Chevyshev establece que al menos
1 - 1  k2 de los datos caen dentro de k desviaciones estandard de la media, donde k es cualquier numero natural mayor a 0. Alternativamente
podemos enunciarlo como a lo mas 1  k2 de los datos caen fuera de k desviaciones estandard de la media.
1
Teorema: Sea X una variable aleatoria con media Μ y varianza finita Σ2 . Para todo número natural k > 0: PH X - Μ < k ΣL >= 1 - ,o
k2
1
alternativamente PH X - Μ > k ΣL £ o
k2
Ej. Supongamos que la media del numero de paginas de los libros de una biblioteca es de 500 paginas con una desviacion tipica de 100 paginas.
Que porcentaje de los libros tendra una longitud entre 300 y 700 paginas?
1 1 1 1
PH X - 500 > k ΣL £ ™ PH X - 500 > 200L £ ™ PH X - Μ > 2 H100LL £ ™ PH X - 500 > 200L £
k2 k2 22 4
1 3
Por lo cual la probabilidad serámenor o igual a 1- , es decir menor o igual a
4 4
6 4_EsperanzaMatematica.nb

Corolario: Al menos la mitad de los valores caerá n en el intervalo (Μ - 2 Σ, Μ + 2 Σ).Al menos 3/4 de los valores caerá
n en el intervalo
(Μ - 2 Σ, Μ + 2 Σ). Al menos 8/9 de los valores caerán en el intervalo (Μ - 3 Σ, Μ + 3 Σ).

Ejercicio: EL numero de vehiculos pasando a traves de una interseccion entre 8:00 am y 10:00am fue observado y grabado en cada uno de los
dias de la semana del añ o pasado. En total son 251 datos. La media es Μ=725 y la desviacion estandard es Σ=25. Identifique cuales de las
siguientes declaraciones deben ser verdaderas.
1. Aproximadamente 95% de las mañ anas del añ
o pasado el numero de vehiculos pasando a traves de la interseccion de 8:00am a 10:00am
fue entre 675 y 775.
2. Aproximadamente 75% de las mañ anas del añ
o pasado el numero de vehiculos pasando a traves de la interseccion de 8:00am a 10:00am
fue entre 675 y 775.
3. En por lo menos 189 mañ anas de la semana del añ o pasado el numero de vehiculos pasando a traves de la interseccion de 8:00am a
10:00am fue entre 675 y 775.
4. A lo mas 25% de las mañ anas del año pasado el numero de vehiculos pasando a traves de la interseccion de 8:00am a 10:00am fue ya sea
menos que 675 o mas grande 775.
5. A lo mas 12.5% de las mañ anas del año pasado el numero de vehiculos pasando a traves de la interseccion de 8:00am a 10:00am fue
menos que 675.
6. A lo mas 25% de las mañ anas del año pasado el numero de vehiculos pasando a traves de la interseccion de 8:00am a 10:00am fue menos
que 675.